用基于改进的YOLO11通道修剪与小目标增强的算法检测甘干节点
Chunming Wen1,2,3,4,5, Leilei Liu5, Shangping Li2,3,4,5
1Guangxi Key Laboratory of Hybrid Computing and Integrated Circuit Design and Analysis, School of Artificial Intelligence, Guangxi University for Nationalities, Nanning, China.
PloS one
|September 18, 2025
概括
这项研究引入了一种改进的YOLOv11模型,用于精确检测甘干节点,提高精确农业. 这种精细的模型在复杂的现场条件下显著提高了检测精度和效率.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 精确的甘干节点检测对于生长监测,精确收获和繁殖至关重要,但受到背景干扰和阴影等复杂的现场条件的挑战.
- 现有的模型往往难以检测小物体,处理尺度和遮的变化,从而限制了它们在现实世界农业应用中的有效性.
研究的目的:
- 开发基于YOLOv11的改进的甘干节点检测模型,以克服复杂现场环境中的局限性.
- 提高模型检测小物体的能力,改进特征融合,并改进界限框回归以提高准确性.
主要方法:
- 将注意量级序列融合 (ASF-YOLO) 机制纳入YOLOv11特征融合层.
- 集成了高分辨率P2检测层和轻量级共享细节增强卷积检测头 (LSDECD),以提高小物体检测和参数效率.
- 使用软非最大抑制 (软NMS) 与Shape-IoU进行更准确的边界框回归,解决阻塞和照明问题,然后进行通道修剪以减少复杂性.
主要成果:
- 拟议的模型在修剪前实现了96.1%的平均精度 (mAP50) 和53.2%的mAP50:95,比原来的YOLOv11n表现出色,分别为11.9%和11.1%.
- 经过道修剪后,该模型仍然显示出显著的改进,分别高出10.8%和9.3%的mAP50和mAP50:95,同时将参数减少到279,778,模型大小降至1.3MB,计算成本从11.6GFlops降至6.6GFlops.
结论:
- 改进的YOLOv11模型,包括ASF-YOLO,P2层,LSDECD,软NMS和Shape-IoU,在甘干节点检测方面表现出卓越的性能.
- 模型的效率和准确性即使通过道修剪来降低复杂性,也保持不变,使其适合于实际的精密农业应用.
